TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HỒ CHÍ MINH
KHOA ĐÀO TẠO CHẤT LƯỢNG CAO

ĐỒ ÁN TỐT NGHIỆP
THIẾT KẾ MÔ HÌNH MẠNG CNN ỨNG DỤNG
TRONG NHẬN DẠNG ĐỘ TUỔI VÀ GIỚI TÍNH

NGÀNH CÔNG NGHỆ KỸ THUẬT ĐIỆN TỬ - VIỄN THÔNG

Sinh viên thực hiện:
NGUYỄN THỊ HỒNG GẤM 18161067
LÊ THỊ QUỲNH NHI
18142050

Giảng viên hướng dẫn:
PGS.TS TRƯƠNG NGỌC SƠN

Thành phố Hồ Chí Minh, tháng 07 năm 2022

CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM
Độc lập – Tự do – Hạnh phúc
***

TP. Hồ Chí Minh, ngày 30 tháng 7 năm 2022

NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP
Họ và tên sinh viên 1: Lê Thị Quỳnh Nhi
Họ và tên sinh viên 2: Nguyễn Thị Hồng Gấm
Ngành: CNKT Điện tử - Viễn thông

MSSV: 18142050
MSSV: 18161067
Lớp: 18161CLVT2B

Giảng viên hướng dẫn: PGS. TS. Trương Ngọc Sơn
Ngày nhận đề tài: 07/04/2022
Ngày nộp đề tài: 30/07/2022
1. Tên đề tài: Thiết kế mô hình mạng CNN ứng dụng trong nhận dạng độ tuổi và
giới tính.
2. Các số liệu, tài liệu ban đầu: Mô hình phân loại độ tuổi và giới tính bao gồm
các số liệu như sau:
- Các tài liệu: những bài báo trong nước và ngoài nước liên quan đến nhận
dạng khuôn mặt, nhận dạng độ tuổi, giới tính và các vấn đề liên quan đến
nhận dạng thuộc tính trên khuôn mặt. Các trang web có chứa thông tin liên
quan đến đề tài như tập dữ liệu, các kiến trúc mạng trong CNN, phương pháp
cải thiện độ chính xác...
- Các số liệu: bộ cơ sở dữ liệu dùng để huấn luyện và kiểm tra được thu thập
gồm 18000 hình ảnh ở nhiều độ tuổi khác nhau. Sử dụng kiến trúc mạng
VGG16, trọng số từ mô hình YuNet để phát hiện khuôn mặt.
3. Nội dung thực hiện đề tài:
- Tìm hiểu cơ sở lý thuyết liên quan đến mạng CNN, kiến trúc VGG16.
- Tạo một tập dữ liệu mới (gồm 18000 ảnh). Sắp xếp, phân chia tập dữ liệu để
số lượng ảnh trong mỗi độ tuổi được cân bằng.
- Điều chỉnh các thông số và số lớp trong kiến trúc mạng. Áp dụng phương
pháp tối ưu hóa để nâng cao độ chính xác cho cả phân loại độ tuổi, giới tính.
- Thực thi mô hình, dựa trên kết quả về độ chính xác khi nhận dạng để điều
chỉnh thông số, đưa ra nhận xét và đánh giá.
4. Sản phẩm: Mô hình nhận dạng được độ tuổi, giới tính thời gian thực dựa trên
khuôn mặt thông qua webcam và hiển thị kết quả dự đoán trên ứng dụng web.
TRƯỞNG NGÀNH

GIẢNG VIÊN HƯỚNG DẪN

i

CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM
Độc lập – Tự do – Hạnh phúc
***

TP. Hồ Chí Minh, ngày 30 tháng 7 năm 2022

PHIẾU NHẬN XÉT CỦA GIÁO VIÊN HƯỚNG DẪN
Họ và tên sinh viên 1: Lê Thị Quỳnh Nhi
Họ và tên sinh viên 2: Nguyễn Thị Hồng Gấm
Ngành: CNKT Điện tử - Viễn thông

...

...
odel for Real-Time Age and
Gender Prediction”, Third International Conference on Advances in Electronics,
Computers and Communications (ICAECC), December 2020.
[5]. Raya Rahadian and Suyanto Suyanto, “Deep Residual Neural Network for
Age Classification with Face Image”, International Seminar on Research of
Information Technology and Intelligent Systems (ISRITI), December 2019.
[6]. Saad Albawi, Tareq Abed Mohammed and Saad Al-Zawi, “Understanding
of a convolutional neural network”, International Conference on Engineering and
Technology (ICET), August 2017.
[7]. Y. Lecun, L. Bottou, Y. Bengio and P. Haffner, “Gradient-based learning
applied to document recognition”, Proceedings of the IEEE, November 1998.
[8]. Đoàn Hồng Quang, Lê Hồng Minh và Thái Doãn Nguyên, “Nhận dạng khuôn
mặt trong video bằng mạng nơ-ron tích chập”, Trung tâm Công nghệ Vi điện tử và
Tin học, Viện Ứng dụng Công nghệ, 28/8/2019.
[9]. Nguyễn Đình Hóa, “Nghiên cứu phân loại độ tuổi của người bằng hình ảnh
sử dụng mạng nơ-ron tích chập”, Học viện Công nghệ Bưu chính Viễn thông, 2020.
[10]. Anton Hristov, Maria Nisheva and Dimo Dimov, “Filters in Convolutional
Neural Networks as Independent Detectors of Visual Concepts”, Proceedings of the
20th International Conference on Computer Systems and Technologies, June 2019.
[11]. Nguyễn Hồng Quang, Trinh Văn Loan và Phạm Ngọc Hưng, “Nhận dạng
phương ngữ tiếng Việt sử dụng mạng nơron tích chập CNN”, Kỷ yếu Hội nghị Quốc

48

gia lần thứ X về Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin (FAIR), Đà
Nẵng, ngày 17-18/08/2017.
[12]. Rasmus Rothe, Radu Timofte, Luc Van Gool, “DEX: Deep EXpectation of
apparent age from a single image”, People Workshop International Conference on
Computer Vision (ICCV), 2015.
[13]. Nguyễn Thanh Tuấn, “Deep Learning cơ bản”, The Legrand Orange Book
Template by Mathias Legrand, 8/2020.
[14]. Diederik P. Kingma and Jimmy Lei Ba, “ADAM: A METHOD FOR
STOCHASTIC OPTIMIZATION”, Published as a conference paper at the 3rd
International Conference for Learning Representations, San Diego, 2015.
[15]. Sofia Visa, Brian Ramsay, Anca Ralescu, Esther van der Knaap, “Confusion
Matrix-based Feature ion”, Proceedings of The 22nd Midwest Artificial
Intelligence and Cognitive Science Conference 2011, Cincinnati, Ohio, USA, April
16-17, 2011.
[16]. Krishna Singh, Mohamed Elhoseny, Akansha Singh, Ahmed Elngar,
“Machine Learning and the Internet of Medical Things in Healthcare”, Elsevier Inc,
April 14, 2021.

49